Technomedia Journal (TMJ) p-ISSN: 2620-3383

Vol. 6 No. 2 Februari 2022 e-ISSN: 2528-6544

Deteksi Ras Kucing Menggunakan Compound Model Scaling Convolutional

Neural Network
Nadia Azahro Choirunisa1
Tita Karlita2
Rengga Asmara3

Program Studi D3 Teknik Informatika1, Departemen Teknik Informatika dan Komputer2,3

Politeknik Elektronika Negeri Surabaya
Kampus PENS, Jalan Raya ITS Sukolilo, Surabaya, Indonesia 60111
Email: nadiachoirunisa23@gmail.com1, tita@[Link].id2, rengga@[Link].id3

Azahro Choirunisa, N., Karlita, T., & Asmara, R. Deteksi Ras Kucing Menggunakan
Compound Model Scaling Convolutional Neural Network. Technomedia Journal, 6(2), 236–
251.

[Link]

ABSTRAK
Kucing merupakan hewan yang sangat popular di dunia. Jumlah dari ras kucing di dunia hanya sekitar 1%
saja, sehingga didominasi oleh ras campuran maupun kucing domestik. Namun demikian, ada begitu banyak
jenis ras kucing di dunia, sehingga terkadang sulit untuk mengidentifikasinya. Oleh karena itu, dibutuhkan
sistem yang dapat mengenali jenis-jenis ras kucing. Dalam penelitian ini, penulis menggunakan salah satu
metode deep learning yang dapat mengenali dan mengklasifikasikan suatu objek, yaitu Neural Convolutional
Network (CNN). Penulis menggunakan 9 jenis ras kucing yang berbeda berisi 2700 gambar. Dalam
pengujiannya, penulis menggunakan arsitektur EfficientNet-B0. Model paling optimal dari pengujian yang
dilakukan terhadap 180 gambar kucing memperoleh tingkat akurasi sebesar 95%.

Kata Kunci : Deep Learning, Convolutional Neural Network (CNN) , Ras kucing, EfficientNetB0.

ABSTRACT
Cat is one of a popular animals in the world. Number of cat breeds in the world only about 1%, so most are
dominated by cats mixed or domestic cat. Nevertheless, there are so many different types of cat breeds in the
world, that it is sometimes difficult to identify them. Therefore, we need a system that can recognize the types
of cat breeds. One technique of deep learning that may apprehend and hit upon gadgets in a photograph is
Convolutional Neural Network (CNN). CNN functionality is alleged because the nice technique in phrases of

236

Copyright Author 2022 Nadia Azahro Choirunisa 1, Tita Karlita 2, Rengga Asmara3
Karya ini berlisensi di bawah Creative Commons Attribution 4.0 (CC BY 4.0)
Technomedia Journal (TMJ) p-ISSN: 2620-3383
Vol. 6 No. 2 Februari 2022 e-ISSN: 2528-6544

item detection and item recognition. The author used 9 different types of cat breeds containing 2700 images.
The EfficientNet-B0 architecture is used on the system. The most optimal model has earned the accuracy of
95%.

Keywords : Deep Learning, Convolutional Neural Network (CNN), Cat breeds, EfficientNetB0.

PENDAHULUAN
Kucing (Felis catus) adalah mamalia karnivora dari keluarga Felidae. Sejak 6000 tahun SM,
kucing diketahui telah berbaur dengan manusia dan menyebar di berbagai penjuru dunia. Kucing
yang dimaksud biasanya adalah kucing yang sudah dijinakkan. Jumlah kucing ras di dunia hanya
sekitar 1% sehingga kebanyakan didominasi oleh kucing campuran atau kucing kampung. Jumlah
kucing ras yang sangat kecil ini membuat harga kucing ras jauh lebih mahal. Setiap ras kucing
memiliki ciri khusus, namun karena banyaknya terjadi perkawinan silang, penentuan ras kucing
menjadi lebih sulit [1].
Penampilannya yang menarik dengan berbagai jenis yang berbeda membuat kucing menjadi
salah satu hewan peliharaan yang popular di dunia. Banyak orang memelihara kucing karena berbagai
kelebihannya seperti bisa mengusir tikus, praktis karena tidak berisik, pakan sedikit, dan tidak
membutuhkan ruangan yang begitu luas untuk pemeliharaannya. Selain itu memelihara kucing juga
dapat memberikan dampak positif bagi pemiliknya, salah satunya yaitu bisa mengurangi rasa stres.
Perkembangan era kecerdasan buatan untuk mengenali citra berkembang sangat pesat.
Seringkali gambar yang digunakan pada beberapa tahap dalam sistem kategori berada di kelas yang
tidak sempurna. Seperti banyaknya gangguan dalam bentuk bayangan, gambar buram, dan perangkat
mencurigakan yang digunakan. Jadi, kami menginginkan metode yang dapat mengatur dan
menjalankan sistem kategori dalam kondisi gambar yang kurang sempurna. Salah satu pendekatan
yang dapat digunakan adalah teknik deep mastering yang dapat menangkap dan mengenai suatu
objek dalam sebuah foto virtual [2]. Salah satu teknik deep learning yang dapat menangkap dan
menangkap gadget dalam sebuah foto adalah Convolutional Neural Network (CNN). Fungsionalitas
CNN diduga karena teknik yang bagus dalam hal deteksi item dan pengenalan item . Teknik yang
dimiliki CNN mirip dengan neuron, biasanya fungsi bobot, bias, dan aktivasi. Sederhananya, CNN
dicapai dengan filter konvolusi. Teknik CNN juga memiliki kelemahan yang dimiliki berbagai teknik
deep mastering, yaitu sistem pembelajaran membutuhkan waktu yang cukup lama.
Berdasarkan latar belakang masalah tersebut, penulis tertarik untuk mengangkat isu jual beli
kucing sebagai tugas akhir dengan membuat sebuah aplikasi untuk mendeteksi jenis ras kucing. Perlu

237
Technomedia Journal (TMJ) p-ISSN: 2620-3383
Vol. 6 No. 2 Februari 2022 e-ISSN: 2528-6544

pengetahuan bagi pemilik kucing untuk lebih memperhatikan cara merawat kucing sesuai dengan
jenis rasnya sebelum memutuskan untuk memelihara kucing .

PERMASALAHAN
Berikut dipaparkan beberapa masalah yang mendasari penelitian tersebut:
1. Kebanyakan orang membeli atau memelihara kucing yang menurut mereka menarik, tanpa
mencari tahu terlebih dahulu jenis ras kucing dan cara perawatan jenis ras kucing yang akan
dibeli/dipelihara.

2. Kesalahan perawatan pada kucing akan menyebabkan kucing mudah terkena penyakit dan
dapat mengubah penampilannya yang cantik menjadi tidak menarik lagi.

METODOLOGI PENELITIAN
Dalam penelitian ini dilakukan metode penelitian eksperimen dengan berbagai tahapan:
A. Dataset
Pengkondisian data dilakukan untuk mempersiapkan data untuk diproses ke tahap selanjutnya.
Penulis menggunakan dataset dari Kaggle dan Google Images, dan capture manual dari kamera
handphone (khusus jenis Kucing Lokal saja) yang berisi 2700 gambar kucing. Dataset ini berisi 9
jenis ras kucing diantaranya Abyssinian, Bombay, British Shorthair, Kucing Lokal, Persian, Ragdoll,
Savannah, Sphynx, dan Turkish Angora. Berikut adalah contoh beberapa gambar dari dataset yang
digunakan.

Gambar 1. Contoh gambar pada dataset

B. Metode
Metode Convolutional Neural Network (CNN) merupakan pengembangan lebih lanjut dari
Multilayer Perceptron (MLP) yang dirancang untuk memproses data dua dimensi. CNN

238
Technomedia Journal (TMJ) p-ISSN: 2620-3383
Vol. 6 No. 2 Februari 2022 e-ISSN: 2528-6544

diklasifikasikan sebagai jaringan saraf dalam karena kedalaman jaringannya yang besar dan banyak
digunakan dalam data gambar. Dalam hal klasifikasi citra, MLP kurang cocok karena tidak
menyimpan informasi spasial dari data citra dan mengasumsikan bahwa setiap piksel merupakan fitur
independen, sehingga hasilnya buruk [3]. CNN memiliki dua metode. Metode pertama adalah
penggunaan klasifikasi citra feedforward dan penggunaan metode backpropagation pada tahap
pembelajaran. CNN terdiri dari beberapa hidden layer, yaitu convolutional layer, activation function
(ReLU), pooling layer dan fully connected layer.

Gambar 2. Arsitektur Convolutional Neural Network

Berdasarkan gambar diatas, tahap pertama dari CNN adalah Feature Learning yang
mengubah suatu input menjadi fitur berdasarkan ciri dari input tersebut (berbentuk angka dalam
vektor). Lapisan ini terdiri dari convolution layer, fungsi aktivasi, dan pooling layer. Pada
convolution layer digunakan filter berisi bobot yang digunakan untuk mendeteksi karakter dari objek
yang dideteksi. Selanjutnya menuju fungsi aktivasi. Pada gambar diatas fungsi aktivasi yang
digunakan adalah fungsi aktivasi ReLU (Reactified Linear Unit). Kemudian dilanjutkan menuju
pooling layer [4]. Lapisan selanjutnya adalah klasifikasi yang berguna untuk mengklasifikasi tiap
neuron yang telah diekstraksi pada lapisan sebelumnya. Lapisan ini terdiri dari flatten yang akan me-
reshape fitur menjadi vektor, fully connected yang melakukan transformasi pada dimensi data agar
data dapat diklasifikasikan secara linear, dan fungsi Softmax, digunakan untuk menghitung
kemungkinan setiap kategori target di semua kategori target yang mungkin dan membantu
menentukan kategori target untuk input yang diberikan.

● EfficientNet

239
Technomedia Journal (TMJ) p-ISSN: 2620-3383
Vol. 6 No. 2 Februari 2022 e-ISSN: 2528-6544

EfficientNet merupakan salah satu dari arsitektur CNN yang dikembangkan oleh tim Google Brain
bernama Mingxing Tan and Quoc V. Le. Mereka menggunakan model scaling, yaitu melakukan
scaling pada model yang telah ada dalam hal model depth, model width, dan resolusi gambar untuk
memperbaiki performa model. Melakukan scaling pada ketiganya secara bersamaan ini disebut
dengan metode compound scaling [5]. EfficientNet-B0 merupakan versi terkecil dari EfficientNet.
Berikut merupakan gambar arsitektur B0:

Gambar 3. Baseline jaringan EfficientNet-B0

Blok MBConv merupakan blok inverted residuals structure yang terdapat pada arsitektur
MobileNetV2, dengan pengaturan yang berbeda. Dari baseline ini, mereka mengaplikasikan metode
compound scaling dan mendapatkan arsitektur EfficientNet-B0 sampai B7.

Penelitian Klasifikasi Penyakit Daun Pada Tumbuhan Menggunakan Model Deep Learning
EfficientNet [6] menggunakan Compound Model Scaling EfficientNet dilakukan terhadap 38 kelas
sebanyak 54305 gambar, dimana 12 kelas merupakan tanaman sehat, dan 26 kelas merupakan
tanaman berpenyakit. Selain itu, didalam dataset terdapat satu kelas yang berisi 1143 gambar latar
belakang yang berbeda. Jadi, jumlah seluruh dataset sebanyak 55448 gambar. Dataset yang
digunakan pada penelitian ini dibagi secara acak menjadi 90% untuk training, 7% untuk validation,
dan 3% untuk testing [7]. Penulis menggunakan metode fine-tuning untuk mempercepat proses
pembelajaran dengan menggunakan pre-trained model berdasarkan ImageNet. Layer fully-
connected terakhir dengan jumlah output sebanyak 1000 diubah menjadi 38, sesuai dengan
permasalahan yang diteliti. Semua layer dari pre-trained model di-set sebagai trainable. Untuk
fungsi aktivasi dan loss function, penulis menggunakan fungsi Softmax dan categorical crossentropy
[8]. Proses testing dilakukan terhadap dataset original dan dataset yang telah di augmentasi. Nilai
tertinggi didapatkan oleh model EfficientNet-B4 dengan nilai akurasi sebanyak 99,97% terhadap

240
Technomedia Journal (TMJ) p-ISSN: 2620-3383
Vol. 6 No. 2 Februari 2022 e-ISSN: 2528-6544

dataset augmentasi, dan model EfficientNet-B5 dengan nilai akurasi sebanyak 99,91% terhadap
dataset original.

● Arsitektur Usulan
Dalam pembuatan model, penulis menggunakan metode transfer learning. Transfer learning
merupakan sebuah metode training dengan menggunakan metode yang telah di training dahulu, lalu
menggunakan model tersebut untuk dataset yang baru. Untuk model CNN penulis menggunakan
arsitektur EfficientNet-B0.

Gambar 4. Arsitektur usulan

Data yang masukannya berukuran 224x224x3, dimana angka 3 merupakan channel RGB
(karena data masukannya adalah gambar berwarna) [9]. Selanjutnya digunakan arsitektur
EfficientNetB0 sebagai base model dari layer CNN yang akan digunakan [10]. Selanjutnya
ditambahkan layer Global Average Pooling untuk mengurangi jumlah parameter sehingga proses
komputasi dapat berjalan lebih cepat. Lalu ditambahkan dengan dense dan dropout, gunanya yaitu
untuk mengurangi kemungkinan overfitting. Overfitting terjadi saat model terlalu menggeneralisasi
data sehingga tidak dapat mengenali data yang baru dengan baik. Hal ini ditandai dengan nilai
akurasi yang jauh lebih tinggi dibandingkan dengan nilai validasi. Layer dense yang terakhir
menggunakan fungsi aktivasi softmax karena hasilnya akan berupa kategorik. Kemudian output
didapatkan berupa hasil klasifikasi 9 jenis ras kucing.

HASIL DAN PEMBAHASAN

A. Data pre-processing
Dataset yang digunakan pada eksperimen dibagi menjadi data train dan data validation.
Sedangkan untuk melakukan testing, ditambahkan data tambahan yaitu data test . Dataset ini berisi

241
Technomedia Journal (TMJ) p-ISSN: 2620-3383
Vol. 6 No. 2 Februari 2022 e-ISSN: 2528-6544

9 jenis ras kucing yang berbeda dengan jumlah data train sebanyak 2160 gambar, data validation
sebanyak 540 gambar, dan data test sebanyak 180 gambar. Jadi total keseluruhan dari dataset
berjumlah 2700 gambar dan data test sebanyak 180 gambar. Dalam pembagian subset, data training
harus memiliki nilai yang lebih besar dibandingkan dengan data validation dan data testing. Hal ini
karena jika nilai data training lebih kecil, maka model akan mengalami kesulitan dalam
pembelajaran, sehingga hasil yang didapatkan menjadi tidak optimal. Sebelum digunakan untuk
proses training, data train akan melalui pre-processing menggunakan filter gaussian blur. Setelah
melalui pre-processing, data akan melalui proses augmentasi [11]. Tujuannya untuk memperkaya
variasi dari data train dan menambah jumlahnya zoom_range, rotation_range, width_shift_range,
height_shift_range, horizontal_flip, dan vertical_flip.
Berikut beberapa contoh gambar dari data train yang telah melalui proses augmentasi.

Gambar 5. Contoh dataset yang telah melalui proses augmentasi

B. Hasil Ujicoba
Pada penelitian ini akan dilakukan beberapa skenario uji coba dengan menggunakan parameter
yang berbeda-beda. Ujicoba yang pertama yaitu dengan membandingkan model dengan data pre
processing dan tanpa data pre-processing [12]. Selanjutnya yaitu akan membandingkan model
dengan optimizer Adam dan RMSprop dengan learning rate sebesar 0.001. Yang ketiga yaitu sama
dengan sebelumnya, dengan menggunakan optimizer Adam dan RMSprop, namun dengan learning
rate yang berbeda, yaitu sebesar 0.0001 [13].

242
Technomedia Journal (TMJ) p-ISSN: 2620-3383
Vol. 6 No. 2 Februari 2022 e-ISSN: 2528-6544

1. Skenario 1
Ujicoba ini dilakukan dengan membandingkan model dengan data pre-processing dengan
model tanpa data pre-processing [14]. Pre-processing yang digunakan pada ujicoba ini yaitu filter
gaussian blur dari modul scikit-image. Hasil dari ujicoba dapat dilihat pada grafik training dibawah.

Gambar 6. Grafik perbandingan menggunakan pre-processing dan tanpa pre-processing

243
Technomedia Journal (TMJ) p-ISSN: 2620-3383
Vol. 6 No. 2 Februari 2022 e-ISSN: 2528-6544

Dari gambar 6 dapat dilihat bahwa model yang menggunakan data pre-processing memiliki
nilai akurasi yang lebih baik daripada model tanpa data pre-processing [15]. Nilai akurasi dari model
tanpa data pre-processing mengalami naik turun di sekitar angka 88% saja. Sedangkan model dengan
data pre processing menunjukkan nilai yang lebih tinggi yaitu 95%. Hal ini menunjukkan bahwa
performa model yang menggunakan data pre-processing lebih baik dibandingkan dengan model
tanpa data pre processing .

(a) (b)

Gambar 7. Confusion matrix skenario 1, (a) tanpa pre-processing, (b) dengan pre-processing

Pada percobaan tanpa menggunakan data pre-processing, model berhasil mengklasifikan

dengan benar sebanyak 175 gambar. Sedangkan pada percobaan menggunakan data preprocessing,
model berhasil mengklasifikan dengan benar sebanyak 179 gambar. Pada percobaan tanpa data pre
processing, kesalahan terbanyak terdapat pada kelas Turkish Angora.

Tabel 1. Tabel classification metrics skenario 1

Tabel 1 menunjukkan bahwa kedua percobaan memiliki nilai precision dan recall diatas 0.9,
dimana ini adalah hasil yang baik. Namun kedua nilai dari percobaan menggunakan pre-processing
tetap lebih tinggi dibandingkan dengan percobaan tanpa menggunakan pre-processing [16].

244
Technomedia Journal (TMJ) p-ISSN: 2620-3383
Vol. 6 No. 2 Februari 2022 e-ISSN: 2528-6544

2. Skenario 2
Ujicoba ini dilakukan dengan membandingkan optimizer Adam dan RMSprop dengan learning
rate sebesar 0.001, dan epoch sebanyak 50 epoch. Hasil dari ujicoba dapat dilihat pada grafik training
dibawah.

(a)

(b)

Gambar 8. Grafik training skenario 2, (a) Adam, (b) RMSprop

Pada grafik diatas dapat dilihat bahwa nilai akurasi pada kedua percobaan naik sampai
mendekati angka 1.0 pada sekitar epoch ke-15. Sedangkan nilai validasi mengalami naik turun
hingga sekitar epoch ke-15. Pada epoch selanjutnya [17], kedua nilai baik akurasi maupun validasi
mengalami nilai konstan. Pada percobaan menggunakan optimizer Adam, nilai akurasi yang didapat
sebesar 98% dan nilai validasi sebesar 88%. Sedangkan pada percobaan menggunakan optimizer
RMSprop, nilai akurasi yang didapatkan sebesar 98% dan nilai validasi sebesar 89%.

245
Technomedia Journal (TMJ) p-ISSN: 2620-3383
Vol. 6 No. 2 Februari 2022 e-ISSN: 2528-6544

(a) (b)

Gambar 9. Confusion matrix skenario 2, (a) Adam, (b) RMSprop

Pada percobaan 2(a), yaitu menggunakan optimizer Adam, jumlah gambar yang berhasil
diprediksi sebanyak 177 dan jumlah gambar yang salah prediksi sebanyak 3 yang terletak pada kelas
British Shorthair dan Persian. Sedangkan pada percobaan 2(b) jumlah gambar yang berhasil
diprediksi sebanyak 177, hasil ini sama dengan percobaan 2(a), namun terdapat perbedaan pada kelas
yang salah prediksi, yaitu Persian dan Turkish Angora.

Tabel 2. Tabel classification metrics skenario 2

Nilai precision dari kedua ujicoba menunjukkan angka diatas 0.9, dimana hal ini berarti model
sudah sangat baik dalam mengenali setiap kelasnya [18]. Sedangkan nilai dari recall kedua ujicoba
sebesar 0.98. Nilai recall yang tinggi menunjukkan bahwa model tersebut efektif dalam
mengidentifikasi hasil true positive dan mengurangi jumlah hasil false negative [19].

3. Skenario 3
Ujicoba ini dilakukan dengan membandingkan optimizer Adam dan RMSprop, sama dengan
47cenario sebelumnya tetapi dengan learning rate sebesar 0.0001, dan epoch sebanyak 50 epoch.
Hasil dari ujicoba dapat dilihat pada grafik training dibawah.

(a) (b)

Gambar 10. Grafik training 47cenario 3, (a) Adam, (b) RMSprop

246
Technomedia Journal (TMJ) p-ISSN: 2620-3383
Vol. 6 No. 2 Februari 2022 e-ISSN: 2528-6544

Pada grafik diatas dapat dilihat bahwa nilai akurasi pada kedua percobaan naik secara
signifikan sampai sekitar angka 0.9 pada sekitar epoch ke-15 . Sedangkan nilai validasi juga
mengalami kenaikan pada sekitar epoch ke-15. Pada epoch selanjutnya, kedua nilai baik akurasi
maupun validasi mengalami nilai konstan. Pada percobaan menggunakan optimizer Adam, nilai
akurasi yang didapat sebesar 90% dan nilai validasi sebesar 90%. Sedangkan pada percobaan
menggunakan optimizer RMSprop, nilai akurasi yang didapatkan sebesar 95% dan nilai validasi
sebesar 91%. Jika dibandingkan dengan 48cenario 1, nilai akurasi pada 48cenario ini sedikit lebih
rendah, namun tidak terjadi overfitting [20].

(a) (b)

Gambar 11. Confusion matrix 48cenario 3, (a) Adam, (b) RMSprop

Pada percobaan 3(a), yaitu menggunakan optimizer Adam, jumlah gambar yang berhasil
diprediksi sebanyak 175 dan jumlah gambar yang salah prediksi sebanyak 1 yang terletak pada kelas
British Shorthair, 2 pada Persian, dan 2 pada Turkish Angora. Sedangkan pada percobaan 3(b) yaitu
menggunakan optimizer RMSprop, jumlah gambar yang berhasil diprediksi sebanyak 179, dengan
kesalahan hanya terletak pada kelas British Shorthair.

Tabel 3. Tabel classification metrics skenario 3

Skenario precision recall

Adam 0.98 0.96

(0.0001)

247
Technomedia Journal (TMJ) p-ISSN: 2620-3383
Vol. 6 No. 2 Februari 2022 e-ISSN: 2528-6544

RMSprop 0.99 0.99

(0.0001)

Nilai precision dari kedua ujicoba menunjukkan angka diatas 0.9, dimana hal ini berarti model
sudah sangat baik dalam mengenali setiap kelasnya. Sedangkan nilai dari recall dari ujicoba
menggunakan Adam dengan learning rate 0.0001 menunjukkan nilai yang lebih rendah daripada
ujicoba menggunakan Adam dengan learning rate 0.001. sedangkan nilai recall dari ujicoba
menggunakan RMSprop dengan learning rate 0.0001 menunjukkan nilai yang lebih tinggi
dibandingkan dengan ujicoba menggunakan RMSprop dengan learning rate 0.001.

Gambar 12. Perbandingan skenario 2 dan 3

Dari gambar 3.6 disajikan perbandingan dari skenario uji coba kedua dan ketiga. Dari gambar
dapat dilihat bahwa nilai accuracy tertinggi terdapat pada ujicoba menggunakan optimizer Adam
dengan learning rate 0.001. Namun jaraknya dengan nilai val_accuracy terlalu banyak jadi dapat
disimpulkan bahwa model masih kurang bagus dalam mengklasifikasikan. Sedangkan jarak antara
accuracy dan val_accuracy yang paling sedikit terdapat pada ujicoba menggunakan optimizer
RMSprop dengan learning rate 0.0001. Nilai precision dan recall dari uji coba ini juga sangat tinggi

248
Technomedia Journal (TMJ) p-ISSN: 2620-3383
Vol. 6 No. 2 Februari 2022 e-ISSN: 2528-6544

sehingga dapat disimpulkan bahwa ujicoba ini adalah ujicoba dengan hasil terbaik dibandingkan
dengan uji coba yang lainnya.

Tabel 4. Tabel hasil percobaan 1, 2, dan 3

Optimizer Learning Pre-processing Accuracy Validation
rate (Gaussian blur) accuracy

RMSprop 0.0001 Tidak 88% 89%

Adam 0.001 Ya 98% 88%

RMSprop 0.001 Ya 98% 89%

Adam 0.0001 Ya 90% 90%

RMSprop 0.0001 Ya 95% 91%

Berdasarkan tabel 4, percobaan dengan nilai akurasi paling tinggi yaitu percobaan
menggunakan optimizer Adam dan RMSprop dengan learning rate 0.001. Namun, kedua percobaan
ini mengalami overfitting karena memiliki nilai akurasi yang jauh lebih tinggi dibandingkan dengan
nilai validasi, sehingga masih kurang dapat mengklasifikasikan gambar dengan baik. Percobaan
menggunakn optimizer RMSprop dengan learning rate 0.0001 mendapatkan akurasi sebesar 95%,
lebih rendah dibandingkan dengan percobaan sebelumnya. Namun hasil percobaan ini tidak
mengalami overfitting sehingga model dapat mengklasifikasikan gambar lebih baik. Sedangkan
percobaan dengan nilai akurasi paling rendah terdapat pada kedua percobaan yang tanpa
menggunakan data pre-processing. Sehingga dapat disimpulkan bahwa penggunaan data pre-
processing sangat penting untuk meningkatkan performa dari model.

KESIMPULAN
Setelah melalui berbagai tahapan, maka dapat diambil kesimpulan yaitu Penelitian
menggunakan arsitektur EfficientNet-B0 sebagai base model. Model mendapatkan akurasi yang
paling tinggi yaitu sebesar 98% menggunakan optimizer Adam dan RMSprop dengan learning rate

249
Technomedia Journal (TMJ) p-ISSN: 2620-3383
Vol. 6 No. 2 Februari 2022 e-ISSN: 2528-6544

0.001. Namun masih terjadi overfitting pada model ini. Model paling optimal mendapatkan akurasi
sebesar 95% dan akurasi validasi sebesar 91%. Model ini berhasil mengklasifikan 179 dari 180
gambar kucing dengan kelas yang benar. Model ini yaitu menggunakan optimizer RMSprop dengan
learning rate 0.0001 dan menggunakan data pre-processing. Semakin kecil learning rate semakin
kecil kemungkinan terjadinya overfitting, namun akurasi yang didapatkan juga lebih rendah.

SARAN
Untuk penelitian lebih lanjut, diberikan beberapa saran yang dapat membantu dalam
pengembangan, diantaranya:
1. Menambahkan kelas pada dataset untuk jenis ras kucing yang ciri-cirinya lumayan
mirip.
2. Menambahkan variasi pada dataset seperti warna bulu, corak, atau ras campuran.
Menggunakan metode pre-processing lainnya agar model lebih optimal.

DAFTAR PUSTAKA
[1] L. Mariani, “Aplikasi Pendeteksian RAS Kucing Dengan Mendeteksi Wajah Kucing
Dengan Metode Viola Jones Berbasis Android,” 2016.
[2] I. N. Purnama, “HERBAL PLANT DETECTION BASED ON LEAVES IMAGE
USING CONVOLUTIONAL NEURAL NETWORK WITH MOBILE NET
ARCHITECTURE,” JITK (Jurnal Ilmu Pengetah. dan Teknol. Komputer), vol. 6, no. 1,
pp. 27–32, 2020.
[3] W. Anggraini, “Deep Learning Untuk Deteksi Wajah Yang Berhijab Menggunakan
Algoritma Convolutional Neural Network (CNN) Dengan Tensorflow.” UIN Ar-Raniry
Banda Aceh, 2020.
[4] I. Putra, “Klasifikasi citra menggunakan convolutional neural network (CNN) pada
caltech 101.” Institut Teknologi Sepuluh Nopember, 2016.
[5] M. Tan and Q. Le, “Efficientnet: Rethinking model scaling for convolutional neural
networks,” in International Conference on Machine Learning, 2019, pp. 6105–6114.
[6] Ü. Atila, M. Uçar, K. Akyol, and E. Uçar, “Plant leaf disease classification using
EfficientNet deep learning model,” Ecol. Inform., vol. 61, p. 101182, 2021.
[7] T. Nurhikmat, “Implementasi deep learning untuk image classification menggunakan
algoritma Convolutional Neural Network (CNN) pada citra wayang golek,” 2018.
[8] K. O. Lauw, L. W. Santoso, and R. Intan, “Identifikasi Jenis Anjing Berdasarkan Gambar
Menggunakan Convolutional Neural Network Berbasis Android,” J. Infra, vol. 8, no. 2,
pp. 37–43, 2020.
[9] A. Salsabila, R. Yunita, and C. Rozikin, “Identifikasi Citra Jenis Bunga menggunakan
Algoritma KNN dengan Ekstrasi Warna HSV dan Tekstur GLCM,” Technomedia J., vol.

250
 Technomedia Journal (TMJ) p-ISSN: 2620-3383
Vol. 6 No. 2 Februari 2022 e-ISSN: 2528-6544

6, no. 1, pp. 124–137, 2021.

[10] N. P. L. Santoso, Y. Durachman, S. Watini, and S. Millah, “Manajemen Kontrol Akses
Berbasis Blockchain untuk Pendidikan Online Terdesentralisasi,” Technomedia J., vol.
6, no. 1, pp. 111–123, 2021.
[11] D. H. Fudholi et al., “Image Captioning with Attention for Smart Local Tourism using
EfficientNet,” in IOP Conference Series: Materials Science and Engineering, 2021, vol.
1077, no. 1, p. 12038.
[12] S. Indriyani, F. Sthevanie, and K. N. Ramadhani, “Pengenalan Ras Kucing Scottish Fold
Menggunakan Metode Histogram Of Oriented Gradients Dan Jaringan Saraf Tiruan,”
eProceedings Eng., vol. 6, no. 2, 2019.
[13] S. Khatri, A. Rajput, S. Alhat, V. Gursal, and J. Deshmukh, “Image-Based Animal
Detection and Breed Identification Using Neural Networks.”
[14] H. S. Hopipah and R. Mayasari, “Optimasi Backward Elimination untuk Klasifikasi
Kepuasan Pelanggan Menggunakan Algoritme k-nearest neighbor (k-NN) and Naive
Bayes,” Technomedia J., vol. 6, no. 1, pp. 99–110, 2021.
[15] P. Pangestu and R. Yusuf, “Implementasi Metode QINQ Pada Jaringan Metro Ethernet
Untuk Memaksimalkan Penggunaan VLAN Menggunakan Teknologi GPON Studi
Kasus: PT. Telkom Indonesia,” Technomedia J., vol. 6, no. 1, pp. 82–98, 2021.
[16] R. A. A. Rahman and A. Adhitya, “Perancangan Sistem Informasi Pengusulan Kenaikan
Pangkat Berbasis Web Pada Korps Marinir TNI AL,” Technomedia J., vol. 6, no. 1, pp.
30–42, 2021.
[17] B. Basri and A. Qashlim, “Relay Kontrol Menggunakan Google Firebase dan Node
MCU pada Sistem Smart Home,” Technomedia J., vol. 6, no. 1, pp. 15–29, 2021.
[18] R. Rosyid and M. A. W. Prasetyo, “Robot Peraga 12 Gerakan Pengaturan Lalu Lintas
Berbasis Arduino Mega 2560,” Technomedia J., vol. 5, no. 2 Februari, pp. 193–205,
2021.
[19] A. Roihan, N. Rahayu, and D. S. Aji, “Perancangan Sistem Kehadiran Face Recognition
Menggunakan Mikrokomputer Berbasis Internet of Things,” Technomedia J., vol. 5, no.
2 Februari, pp. 155–166, 2021.
[20] A. Setiadi, I. Handayani, and F. Fadilah, “Perancangan Aplikasi Fit Your Weight Untuk
Menghitung Berat Badan Ideal Berbasis Android,” Technomedia J., vol. 5, no. 2
Februari, pp. 144–154, 2021.

251

Powered by TCPDF ([Link])